双分支卷积神经网络DB-FusionNet：基于空间金字塔的多尺度空谱融合高光谱图像分类框架

为解决高光谱图像(HSI)分类中空谱特征融合不足、计算负担过重和泛化能力有限等问题，研究人员提出新型双分支卷积神经网络框架DB-FusionNet。该框架通过3D/2D CNN与空间金字塔池化融合(SPPF)模块实现多尺度特征提取，结合1D CNN捕捉精细光谱特征，在Indian Pines等数据集上取得98.93%-99.96%的总体准确率(OA)，显著优于SVM、3D CNN和HybridSN等方法，展现出优异的分类性能和泛化能力。

　　

高光谱图像(HSI)分类技术犹如给地球表面做"分子级CT扫描"，其关键在于精准捕捉纳米级光谱差异与空间特征的协同效应。传统方法常陷入"顾此失彼"的困境：要么过度关注光谱导致空间细节丢失，要么侧重空间特征而忽略亚波段(sub-band)的微妙差异。DB-FusionNet创新性地构建了"双管齐下"的智能分析系统：第一条分析通道采用三维(3D)与二维(2D)卷积神经网络(CNN)的混合架构，配合空间金字塔池化融合(SPPF)模块，如同搭建多层级"光学棱镜"，能同时解析不同尺度的空间-光谱特征；第二条通道则部署一维(1D)CNN作为"光谱显微镜"，专门捕捉波段间_λ1-λn的精细变异。这种"宏观+微观"的双重检测策略，在Indian Pines等五个经典数据集上展现出接近完美的识别精度(OA:98.93%-99.96%)，其性能远超支持向量机(SVM)等传统算法，甚至让最新HybridSN模型也相形见绌。更难得的是，该框架具有"举一反三"的强泛化特性，能快速适应不同成像场景，为精准农业、环境监测等领域的智能解译提供了可靠的技术支撑。